HLB identification in citrus crops using deep convolutional networks
| Autor: | Miguel Nakajima Marques |
|---|---|
| Přispěvatelé: | Paiva, Ely Carneiro de, 1965, Fantinato, Denis Gustavo, Mastelari, Niederauer, Universidade Estadual de Campinas. Faculdade de Engenharia Mecânica, Programa de Pós-Graduação em Engenharia Mecânica, UNIVERSIDADE ESTADUAL DE CAMPINAS |
| Jazyk: | portugalština |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP CIÊNCIAVITAE |
| Popis: | Orientador: Ely Carneiro de Paiva Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica Resumo: O método tradicional mais difundido para a identificação de plantas doentes com Huanglongbing é a inspeção visual. O uso de redes convolucionais profundas para tarefas de classificação e segmentação de imagens em diversos campos de aplicação já foi comprovada como eficaz, robusta e possível de ser implementada em sistemas embarcados. O trabalho aqui proposto visa apresentar uma técnica para utilização de redes neurais convolucionais profundas para identificação dessa doença em plantações de citros através de imagens capturadas por uma câmera digital. Foi selecionada a arquitetura padronizada InceptionV3 com as camadas classificadoras finais adaptadas para a aplicação em questão. São utilizados três tipos de imagens: folhas com fundo real (de campo), folhas com fundo homogêneo (estúdio) e imagens de plantas inteiras de duas classes diferentes: saudáveis e doentes. Para acelerar o processo de treinamento é utilizada a técnica de transfer learning com o pré carregamento de pesos do desafio ImageNet. São comparados dois procedimentos diferentes para o treinamento a partir dos pesos pré-carregados: congelar os pesos das camadas convolucionais e treinar somente as camadas classificadoras finais e treinar todas as camadas da rede. O sistema para o treinamento da rede foi implementado em linguagem Python. Para melhorar a robustez do treinamento foi utilizada a técnica de data augmentation e comparado o resultado com e sem o uso dessa técnica. Para os conjuntos de dados finais foram criados conjuntos de teste com imagens segregadas e não utilizadas no treinamento e no processo de data augmentation. Os resultados se mostraram satisfatórios quando treinada a rede toda e utilizando data augmentation nos dados de treinamento, chegando a atingir 95% de acurácia em imagens nunca vistas pela rede Abstract: The traditional method for identifying Huanglongbing infected plants is visual inspection. The usage of convolutional neural networks for image classification and segmentation tasks has been proved to be efficient, robust, and capable of being implemented in embedded solutions. The work presented here proposes the use of a technique that employs deep convolutional neural networks to identify healthy and infected plants through images captured by a digital camera. The standard architecture InceptionV3 was selected to be used with its final classifier layers adapted to the task at hand. It uses three different image types: images with homogeneous background, images with field background and whole plant images of two different classes: healthy and infected. To speed up the training process the transfer learning technique was used to pre-load the weights of the ImageNet challenge. Starting from the pre-loaded weights, two different training procedures are compared: freezing the convolutional layer’s weights and training only the final classifier layers and training the whole network. The system used for the training was implemented in the Python language. To enhance the robustness of the training, the data augmentation technique was used, and its results were compared to the case where this technique is not used. For the final datasets, test batches were created using images that were segregated from the training and validation and that were not used in the data augmentation process. The results have shown to be satisfactory when the whole network is trained and data augmentation technique is used in the training data, reaching 95% accuracy in images never seen by the network before Mestrado Mecatrônica Mestre em Engenharia Mecânica CNPQ 380703/2020-3 FAPESP 2014/50851-0 |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|